AIスタートアップSesameは、注目の音声アシスタントMayaを支える基本モデル「CSM-1B」を発表した。このモデルは1億パラメータを持ち、Apache 2.0ライセンスで商業利用がほぼ無制限に行える。

音声を生成するRVQ技術を用いて、音声データをトークン化し、さまざまな言語に対応する可能性を秘めているが、英語以外の言語にはうまく機能しない可能性もある。Sesameは、安全策の欠如に警告を発しており、使用に対して倫理的配慮を求めている。

CSM-1Bの技術的特徴とRVQの革新性

Sesameが公開したCSM-1Bは、1億パラメータを有する大規模モデルであり、AI音声技術の進化に寄与する重要な要素を備えている。このモデルの特徴的な技術であるRVQ（残差ベクトル量子化）は、音声データを圧縮しながら高精度で再現する技術であり、GoogleのSoundStreamやMetaのEncodecにも採用されている。

RVQは、音声を個別のトークンに変換し、効率的なエンコードを可能にすることで、高品質な合成音声を実現する。

また、CSM-1BはMetaのLlamaファミリーのモデルを基盤として構築されており、音声「デコーダ」コンポーネントと組み合わせることで、自然な音声生成を可能にしている。この技術的特性は、Sesameの仮想アシスタントMayaの精度向上に貢献しており、呼吸や言葉の切れ目など、人間に近い音声表現を可能にする要因となっている。

しかし、CSM-1Bのトレーニングデータは非公開とされており、データの透明性が欠けている点は課題として残る。AI技術の進化において、モデルの基盤となるデータの出自は信頼性に直結する要素であり、今後の技術開発においても慎重な議論が求められる。

商業利用が可能なAIモデルの影響とリスク

CSM-1BはApache 2.0ライセンスの下で公開されており、商業利用に対する制約がほとんどない。この開放性は、多様な用途での利用を促進する一方で、悪用リスクを高める要因にもなり得る。特に、音声合成技術は詐欺や情報操作といった用途にも転用可能であり、安全策が十分に整備されていない場合、社会的な混乱を招く可能性がある。

実際に、Consumer Reportsは、AIを利用した音声クローン技術が急速に普及する一方で、詐欺や悪用を防ぐための「意味のある」安全策が欠如していると指摘している。今回のモデル公開に関しても、Sesameは開発者やユーザーに対して倫理的な使用を求める「名誉システム」を採用しているが、強制力を伴う規制や技術的なセーフガードは導入されていない。

音声クローン技術の進化は、エンターテインメントや顧客対応の分野での革新をもたらす一方、悪意ある利用に対するリスク管理が不可欠となる。特に、政治的な発言の捏造やフェイクニュースの生成といった用途に対して、開発者や社会全体がどのような対応を取るべきかが今後の大きな課題となる。

AIアシスタントの未来とSesameの事業展開

Sesameは、仮想アシスタントMayaとMilesを開発するだけでなく、「一日中着用できる」AIグラスのプロトタイプ開発も進めている。このグラスには独自のAIモデルが搭載される予定であり、音声技術を超えたインターフェースの進化が期待されている。AI技術がウェアラブルデバイスと融合することで、ユーザーの生活により密接に関わる可能性が高まる。

また、SesameはAndreessen Horowitz、Spark Capital、Matrix Partnersといった著名な投資家から資金調達を受けており、今後の成長が注目される。特に、OpenAIのVoice Modeに匹敵する高度な音声対話機能を持つMayaは、音声アシスタント市場において競争を加速させる要因となる。

ただし、AIアシスタントの進化が進むほど、プライバシーやデータ保護に関する課題も顕在化する。音声データがどのように処理され、保存されるのかといった透明性が求められ、ユーザーの信頼を維持するための方策が必要となる。Sesameの技術がどのように社会に受け入れられるかは、今後の技術開発と規制のバランスにかかっている。

Source：TechCrunch